A aplicação do algoritmo AdaBoost, utilizando classificadores SVM, permitiu a obtenção de um modelo classificador de sinais sonoros com excelente precisão. Entretanto, esse modelo possui requisitos computacionais além da capacidade da plataforma onde se deseja aplicá-lo. Considerando o problema acima descrito, a técnica a ser utilizada para contornar o problema é:
- A)compressão;
Errada, porque compressão não é a técnica clássica indicada para simplificar um classificador já treinado nesse contexto.
- B)boosting suavizado;
Errada, pois boosting suavizado não resolve diretamente o problema de excesso de custo computacional da implementação.
- C)agregação (joining);
Errada, porque agregação/joining combina elementos, em vez de reduzir a complexidade do modelo.
- D)poda (pruning);
Certa, pois a poda reduz a complexidade do modelo e ajuda a adequá-lo a limitações de processamento.
- E)boosting parcial.
Errada, porque boosting parcial não é a técnica padrão para contornar restrição computacional de um modelo já obtido.
Gabarito: D
Quando um modelo fica bom demais, mas pesado demais, surge o clássico problema: ele acerta bem, porém custa caro para rodar. Nesses casos, a solução costuma ser reduzir a complexidade do modelo, sem perder de forma relevante a capacidade de classificação. Em árvores de decisão, por exemplo, isso é feito com poda (pruning), que elimina ramos menos úteis para simplificar a estrutura. Na questão, o modelo foi construído com AdaBoost usando classificadores SVM e atingiu ótima precisão, mas ultrapassou a capacidade computacional da plataforma onde seria aplicado. Isso pede uma técnica de enxugamento do modelo, e não uma nova forma de combinar classificadores. A ideia é manter o desempenho razoável com menor custo de processamento e memória. Por isso, o gabarito é a letra D, poda (pruning). Em termos práticos, você corta o excesso para deixar o modelo mais leve e viável de implementar. É o famoso "funciona muito bem, mas agora precisa caber no bolso". Não há um fundamento legal específico aqui, porque o tema é técnico de aprendizado de máquina, não jurídico. O raciocínio é puramente conceitual: reduzir complexidade para atender restrições computacionais.